基于_大数据_的冷轧板形分析与控制技术研究

基于“大数据”的冷轧板形分析与控制技术研究

Research on flatness analysis and control in cold rolling based on big date

包仁人1，张 杰1，李洪波1，程方武2，贾生晖2

BAO Ren-ren 1, ZHANG Jie 1, Li Hong-bo 1, CHENG Fang-wu 2, JIA Sheng-hui 2

（1.北京科技大学 机械工程学院，北京 100083；2.武汉钢铁（集团）公司，武汉 430083）

摘 要：为充分利用冷轧过程中的工艺数据，总结板形控制过程中的规律，文章借鉴了“大数据”的相

关思想，对板形检测结果和大量工艺数据进行了分析，找到边部板形缺陷难以控制的原因在于冷连轧机现有板形控制手段能力不足，进而提出了能提高轧边部板形控制能力的辊形优化方法，并进行了工业试验，证明此方案的有效性。

关键词：大数据；板形；冷连轧机；辊形优化中图分类号：TG333.7 文献标识码：A 文章编号：1009-0134(2015)03(下)-0010-03Doi：10.3969/j.issn.1009-0134.2015.03(下).03

收稿日期：2014-12-01

基金项目：中央高校基本科研业务费专项资金资助项目（FRF-TP-14-019A2）

作者简介：包仁人（1986 -），男，辽宁本溪人，博士研究生，研究方向为冷轧板形控制、数据挖掘和辊形优化。 0 引言

近年来，“大数据”引起了社会各界广泛的高度关注。2012年3月22日，美国总统奥巴马正式宣布美国政府将斥资2亿美元启动“大数据研究和发展计划（Big Data Research and Development Initiative ）”。这是继1993年美国政府宣布“信息高速公路”计划后的再一次重大的科技发展部署，美国对大数据的研究上升为国家意志，必将对未来科技、经济的发展带来深远的影响[1]。在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》中“大数据”指不用随机分析法（抽样调查）这样的捷径，而采用所有数据用于分析的方法，大数据具有4V 特点：Volume （大量）、Velocity （高速）、Variety （多样）、Veracity （真实性）[2]

。

目前对“大数据”的研究多集中在数据的存储、读取等方面[3, 4]，建立可快速读取的数据平台，而如何从工业数据中发现并总结规律方面的研究较少。现代化的冷连轧机配备有完整的多级计算机系统，涉及轧制过程监测与控制、物料系统跟踪、合同订单跟踪等，生产线上有大量的传感器，实时采集的信息数据量以GB 为单位存储在服务器中，仅某六辊CVC 冷连轧机基础自动化部分传感器所记录的数据量每天可达6GB ，这些数据被大部分被束之高阁，仅用于出现事故时定点分析及查询[5]

。如何科学、高效的处理轧制过程工艺参数，明确板形控制状态，是冷轧生产单位的迫切需求[6～8]

，因此可将聚类

分析、数据挖掘等“大数据”分析方法引入到冷轧板形

分析领域。

1 冷轧板形缺陷的聚类分析

解决冷轧板形缺陷问题的前提是准确分析板形缺

陷的形式，实际生产过程中往往通过实物板形跟踪来确定板形缺陷的类型，但这种靠人工进行的判断方法存在着效率低下的问题，且因采样较少不能全面的反映板形缺陷问题。因此有学者提出利用模式识别方法来对板形缺陷进行分析[9, 10]，将板形仪的检测信号识别为几类确定的板形缺陷，如中浪、边浪、四分之一浪和边中复合浪，这类识别方法中多需对板形检测信号进行拟合，面对成千上万组的板形检测结果计算速度较慢。

某冷连轧机为五机架超宽六辊CVC 轧机，最大可轧带钢宽度达2080mm ，通过对其所轧带钢板形长达两年的跟踪，发现同批轧制规格和钢种近似的带钢，稳定轧制阶段的板形缺陷具有相似性，其浪形幅值和形态接近，因此本文借鉴了“大数据”的思想，采用基于密度和网格的聚类分析方法[11]对大批量带钢的板形检测结果进行特征提取，再利用模式识别方法计算各板形缺陷分量，并利用MATLAB 编程实现聚类分析与模式识别过程[12]，与传统板形模式识别方法相比，省去了大量的曲线拟合过程，计算速度从每千帧信号30s ，降低至每千帧5s 以内，而所得板形缺陷识别结果与传统方法保持一致，证明对冷轧板形分析而言，采用聚类分析的方法是可行的。通过对1000多卷，近百万帧冷轧带钢板形检测数据进行分析后发现，此机组所轧带钢板形缺陷以边中复合浪为主，且轧机难以对此类板形缺陷进行有效控制，严重影响后续生产以及用户的使用。

2 冷轧板形相关工艺参数的大数据分析

为确定复杂板形缺陷难以控制的原因，需对轧机的板形控制工艺参数进行分析，以往多对单参数的时域检测信号进行分析，忽视了各工艺参数间的联系性，不能

准确反映轧机的工作状态。利用Excel 的VBA 功能，开发了工艺参数读取程序，从轧机服务器数据库文件中读取工艺参数。

提取了2012年2月至3月中旬一个半月内某冷连轧机连续生产的12000卷带钢的板形控制工艺参数，包括带钢的规格，各机架工作辊弯辊（WRB ）、中间辊弯辊（IMRB ）、中间辊窜辊（IMRS ）数据。以任意两个参数为横纵坐标（如图1所示），分析其关系，发现工作辊弯辊、中间辊弯辊、中间辊窜辊受带钢宽度B 变化影响较大，受带钢厚度变化影响相对较小，因此将宽度作为影响板形控制手段调节量的主要因素进行分析。2.1 弯辊与带钢宽度关系

以带钢宽度为横坐标，以归一化弯辊值为纵坐标绘制散点图。从图1和图2中可看出对于S1（第1机架）而言，仅当所轧带钢宽度B ≤1500mm 时，工作辊弯辊存在超过正弯50%的情况，中间辊弯辊存在超过30%的情况，当带钢宽度B>1500mm 时，工作辊弯辊常用范围约为正弯40%~50%，中间辊弯辊常用范围约为15%~30%

。

图1

工作辊弯辊与带钢宽度关系

图2 中间辊弯辊与带钢宽度关系

2.2 弯辊与中间辊窜辊关系

从图3中和图4中可以看出，仅当IMRS ≥180mm 时才会出现工作辊弯辊超过50%，中间辊弯辊超过正弯极限40%的情况，仅当IMRS ≥180mm 时，才会出现工作辊弯辊和中间辊弯辊超过30%，甚至达100%的情况。2.3 中间辊窜辊与带钢宽度关系

从图5中可以看出，当所轧带钢宽度B ≤1500mm 时，S1中间辊均处于正窜区间，进一步对数据进行分析

发现，IMRS ≥180mm 的频率为52.7%；当B ≥1900mm 时，中间辊窜辊均处于负窜区间，IMRS ≤-180mm 的频率为0.6%

。

图5 中间辊窜辊与带钢宽度关系

其他4个机架的工艺参数分布与第1机架的工艺参数基本一致，分析结果表明在此冷连轧机在轧制宽度低于1500mm 带钢时，存在边浪控制能力不足的问题，而恰好其所轧带钢宽度小于1500mm 的较窄带钢占总卷数的75%，使边浪问题更为突出。

3 中间辊辊形优化与工业应用

一直以来，辊形进行优化被认为是提高轧机板形控制能力的有效手段，针对此轧机存在边浪控制能力不足的问题，考虑利用分段辊形为轧机增加边部板形控制能力，进而将原边中复合浪缺陷转化为中浪缺陷，以便于采用其他手段消除。

按照这一思路，同时考虑到中间辊窜辊与带钢宽度之间存在的对应关系（如图5

所示），可在中间辊端部

图3

工作辊弯辊与中间辊窜辊关系

图4 中间辊弯辊与中间辊窜辊关系【下转第19页】